食品科学
食品科學
식품과학
FOOD SCIENCE
2014年
8期
57-61
,共5页
吴迪%宁纪锋%刘旭%梁曼%杨蜀秦%张振文
吳迪%寧紀鋒%劉旭%樑曼%楊蜀秦%張振文
오적%저기봉%류욱%량만%양촉진%장진문
酿酒葡萄%花色苷%高光谱图像%连续投影法%偏最小二乘法
釀酒葡萄%花色苷%高光譜圖像%連續投影法%偏最小二乘法
양주포도%화색감%고광보도상%련속투영법%편최소이승법
winegrape%anthocyanin%hyperspectral image%successive projections algorithm (SPA)%partial least squares (PLS)
应用高光谱成像技术结合连续投影算法(SPA)实现葡萄果皮中花色苷含量的快速无损检测.采集60组样本高光谱图像,获取样本光谱曲线,并采用多元散射校正预处理方法提高信噪比.然后采用SPA选择光谱变量,将其作为多元线性回归(MLR)、偏最小二乘(PLS)模型和BP神经网络(BPNN)的输入变量,分别建立SPA-MLR、SPA-PLS和SPA-BPNN模型并与全光谱变量PLS模型相比较.结果表明,SPA-MLR、SPA-BPNN和SPA-PLS模型的预测精度均优于全光谱变量PLS模型,其中SPA-PLS模型获得了最佳预测结果,其预测相关系数Rp和预测均方根误差(RMSEP)分别为0.900 0和0.550 6.结果表明,利用近红外高光谱成像技术能够有效检测酿酒葡萄果皮中花色苷含量.
應用高光譜成像技術結閤連續投影算法(SPA)實現葡萄果皮中花色苷含量的快速無損檢測.採集60組樣本高光譜圖像,穫取樣本光譜麯線,併採用多元散射校正預處理方法提高信譟比.然後採用SPA選擇光譜變量,將其作為多元線性迴歸(MLR)、偏最小二乘(PLS)模型和BP神經網絡(BPNN)的輸入變量,分彆建立SPA-MLR、SPA-PLS和SPA-BPNN模型併與全光譜變量PLS模型相比較.結果錶明,SPA-MLR、SPA-BPNN和SPA-PLS模型的預測精度均優于全光譜變量PLS模型,其中SPA-PLS模型穫得瞭最佳預測結果,其預測相關繫數Rp和預測均方根誤差(RMSEP)分彆為0.900 0和0.550 6.結果錶明,利用近紅外高光譜成像技術能夠有效檢測釀酒葡萄果皮中花色苷含量.
응용고광보성상기술결합련속투영산법(SPA)실현포도과피중화색감함량적쾌속무손검측.채집60조양본고광보도상,획취양본광보곡선,병채용다원산사교정예처리방법제고신조비.연후채용SPA선택광보변량,장기작위다원선성회귀(MLR)、편최소이승(PLS)모형화BP신경망락(BPNN)적수입변량,분별건립SPA-MLR、SPA-PLS화SPA-BPNN모형병여전광보변량PLS모형상비교.결과표명,SPA-MLR、SPA-BPNN화SPA-PLS모형적예측정도균우우전광보변량PLS모형,기중SPA-PLS모형획득료최가예측결과,기예측상관계수Rp화예측균방근오차(RMSEP)분별위0.900 0화0.550 6.결과표명,이용근홍외고광보성상기술능구유효검측양주포도과피중화색감함량.
